融合光谱与纹理特征的森林地上生物量反演方法及系统的制作方法
【技术领域】
[0001 ]本发明涉及森林地上生物量提取领域，具体来说，涉及一种融合遥感影像光谱与 纹理特征的森林地上生物量(AGB)反演技术方案。
【背景技术】
[0002] 森林地上生物量对于森林生态系统固碳能力和碳储量有重要的指示作用，在国际 地圈-生物圈研究计划（IGBP)中，碳循环被确定为全球变化和陆地生态系统(GCTE)等计划 的重要研究内容。因此，森林地上生物量的准确提取对于全球变化及陆地生态系统研究具 有重要意义。
[0003] 以人工采样测量为主要技术手段的传统森林地上生物量监测方法存在费时费力， 受干扰因素多，估算精度低等缺点，很难大范围、高效率和实时地进行常规测量。而遥感技 术由于其宏观动态实时多源的特点，已在森林地上生物量研究中蓬勃开展。国内外众多学 者已经运用合成孔径雷达（synthetic aperture radar，SAR)、激光雷达（Lidar)以及多传 感器结合技术对森林地上生物量反演进行了大量研究，但是光学遥感数据，特别是光谱植 被指数，仍然是森林地上生物量估测使用最为广泛的数据源之一。然而，当植被比较茂密 时，植被反射光谱信息出现饱和，使得生物量定量反演的精度仍难以达到行业应用的需求。 遥感图像纹理一般理解为图像灰度在空间上的变化和重复出现。纹理测度对植被冠层结构 的空间变化具有高度敏感性，甚至在浓密植被区也能够较好的捕捉森林冠层结构及生物量 信息。相比中低分辨率遥感数据，高分辨率遥感数据由于能够提供更为丰富的纹理信息，已 在森林结构参数及森林地上生物量的探测中得到广泛应用，并在很大程度上提高了森林参 数的反演精度。虽然纹理信息在森林生物量估算方面具有较大潜力，但它的优越性并未被 充分地研究和利用。一方面，纹理测度是一种相对复杂的参数，并且对研究对象、地形条件 及所用窗口大小等具有高度的敏感性。另一方面，并未有任何研究显示哪种纹理测度或其 组合具有最好的估测效果。因此，针对目前生物量精准定量反演的迫切需求以及单一光谱 或纹理信息存在的优势和局限性，有效结合光谱与纹理特征提取生物量，是提高生物量参 数估测精度的一种合理途径。
[0004] 国内外学者已经利用光谱和纹理特征的结合，基于传统的统计回归方法，取得了 较好的生物量或其他植被参数的估测效果。但是单纯利用经验的统计回归方法结合光谱与 纹理特征，无法考虑二者的内部结合机制。充分考虑光谱与纹理特征的内部结合机制，不但 可以使联合模型具有更加明确的数学和物理意义，而且在提高生物量估测精度方面具有更 大的潜力。但是如何通过考虑光谱与纹理特征的内部结合机制来构建生物量联合反演模 型，是摆在众多研究者面前的一道难题。
【发明内容】
[0005] 对此，本发明提出了一种融合遥感影像光谱与纹理特征的森林地上生物量反演方 法及系统。
[0006] 本发明所采用的技术方案是一种融合光谱与纹理特征的森林地上生物量反演方 法，其特征在于，包括以下步骤：
[0007] 步骤a，进行研究区样地地上生物量计算，包括利用地面观测试验获取的样地单株 参数数据集，基于地上生物量计算公式，得到样地生物量观测值，记为AGB;
[0008] 步骤b，进行预处理，包括对高分辨率遥感影像全色数据和多光谱数据进行几何校 正，并对多光谱数据进行辐射校正，得到地表反射率数据；
[0009] 步骤C，基于预处理后的多光谱数据，提取多种光谱特征植被指数，将步骤1所得样 地生物量观测值与相应的光谱特征植被指数分别进行统计回归，选取估测精度最高的模型 作为光谱特征反演模型；
[0010] 步骤d，基于预处理后的全色数据，提取不同窗口下的多种纹理特征变量，将步骤1 所得样地生物量观测值与相应的纹理特征变量分别进行统计回归，选取估测效果最好的模 型作为纹理特征反演模型；
[0011] 步骤e，通过光谱特征反演模型中光谱关键因子与纹理特征反演模型中纹理关键 因子的敏感性分析，确定光谱与纹理特征各自所占权重，从而构建生物量的光谱纹理特征 联合反演模型，实现森林地上生物量反演;AGB的光谱纹理特征联合反演模型如下式：
[0012] AGB=(bXa+c) Xf(a) + (l-(bXa+c)) Xf(0)
[0013] 其中，f (a)为光谱特征反演模型，a为光谱关键因子;?·(β)为纹理特征反演模型，β 为纹理关键因子;b和c为光谱与纹理特征各自所占权重。
[0014] 而且，所述步骤c中，选取的光谱特征植被指数包括归一化植被指数NDVI、差值植 被指数DVI、比值植被指数RVI、增强型植被指数EVI、土壤调节植被指数SAVI和修正土壤调 节植被指数MSAVI，其计算公式如下：
[0015]
[0016]
[0017]
[0018]
[0019]
[0020]
[0021]式中，NIR、R、B分别为近红外波段、红光波段和蓝光波段的反射率;L为冠层背景调 整系数。
[0022] 而且，所述步骤d中，选取的纹理特征变量包括均值ME、均匀性，Η0Μ、对比度C0N、相 异性DIS、熵ENT、方差VAR、二阶矩ASM和相关性C0R，其计算公式如下：
[0023]
[0024]
[0025]
[0026]
[0027]
[0028]
[0029]
[0030]
[0031] 式中，i和j分别表示行列号;是归一化后的灰度共生矩阵;N表示计算纹理特征 时移动窗口的大小;μι、μ」、〇?2和〇/分别是Pi和Pj的平均值和标准差，Pi和Pj是归一化后的灰 度共生矩阵的第i行和第j列。
[0032] 而且，所述步骤d中，提取纹理特征的窗口大小为3 X 3、5 X 5、7 X 7和9 X 9;将步骤1 所得样地生物量观测值与相应的光谱特征植被指数分别进行统计回归，包括每种窗口下的 8种纹理特征分别与AGB进行一元线性回归、每种窗口下的8种纹理特征分别全部与AGB进行 逐步多元线性回归、4种窗口下的全部纹理特征与AGB进行逐步多元线性回归。
[0033]而且，所述步骤e中，通过光谱特征反演模型中光谱关键因子与纹理特征反演模型 中纹理关键因子的敏感性分析，确定光谱与纹理特征各自所占权重，实现如下，
[0034] (1)进行光谱和纹理关键因子归一化，如下式，
[0035]
[0036] 式中，Xl为在第i种生物量场景下，光谱或纹理关键因子的值;71是相应的归一化 值;x min和xmax分别为光谱或纹理关键因子的最小值和最大值；
[0037] (2)进行光谱和纹理关键因子敏感性计算，
[0038] 对于光谱关键因子的敏感性计算，包括首先根据光谱特征反演模型，建立以归一 化后的光谱关键因子为因变量、AGB为自变量的回归模型;然后求取归一化后的光谱关键因 子的一阶导数，作为对生物量的敏感性；
[0039]对于纹理关键因子的敏感性计算，包括首先根据纹理特征反演模型，建立以AGB为 因变量、归一化后的纹理关键因子为自变量的回归模型;然后求取每个自变量的一阶导数， 作为每个纹理关键因子对生物量的敏感性;最后纹理关键因子的总敏感性计算如下，
[0040] 巧=拉s丨
[00411式中，TS为纹理关键因子的总敏感性；si为每一个纹理关键因子的敏感性;n为纹 理敏感因子的数量。
[0042] (3)确定光谱和纹理特征权重，包括根据光谱和纹理关键因子的敏感性计算结果， 光谱和纹理特征各自所占权重表示如下，
[0043] 0ff=0S/(0S+TS)
[0044] 〇ff+Tff=l
[0045] 式中，0W和TW分别是光谱和纹理特征的权重;0S和TS分别是光谱和纹理关键因子 的敏感性。
[0046]本发明还相应提出一种融合光谱与纹理特征的森林地上生物量反演系统，包括以 下模块：
[0047] 第一模块，用于进行研究区样地地上生物量计算，包括利用地面观测试验获取的 样地单株参数数据集，基于地上生物量计算公式，得到样地生物量观测值，记为AGB;
[0048] 第二模块，用于进行预处理，包括对高分辨率遥感影像全色数据和多光谱数据进 行几何校正，并对多光谱数据进行辐射校正，得到地表反射率数据；
[0049]第三模块，用于基于预处理后的多光谱数据，提取多种光谱特征植被指数，将第一 模块所得样地生物量观测值与相应的光谱特征植被指数分别进行统计回归，选取估测精度 最高的模型作为光谱特征反演模型；
[0050] 第四模块，用于基于预处理后的全色数据，提取不同窗口下的多种纹理特征变量， 将第一模块所得样地生物量观测值与相应的纹理特征变量分别进行统计回归，选取估测效 果最好的模型作为纹理特征反演模型；
[0051] 第五模块，用于通过光谱特征反演模型中光谱关键因子与纹理特征反演模型中纹 理关键因子的敏感性分析，确定光谱与纹理特征各自所占权重，从而构建生物量的光谱纹 理特征联合反演模型，实现森林地上生物量反演；
[0052] AGB的光谱纹理特征联合反演模型如下式：
[0053] AGB=(bXa+c) Xf(a) + (l-(bXa+c)) Xf(0)
[0054] 其中，f (a)为光谱特征反演模型，a为光谱关键因子;f(i3)为纹理特征反演模型，β 为纹理关键因子;b和c为光谱与纹理特征